AI 词汇表
人工智能完整词典
鲁棒矩阵分解
一套矩阵分解技术，旨在抵抗异常值和噪声，最小化数据误差对估计潜在因子的影响。
鲁棒奇异值分解（rSVD）
标准SVD的变体，使用抗异常值范数（如L1范数）替代L2范数，在存在噪声的情况下能够更可靠地估计主成分。
鲁棒非负矩阵分解（rNMF）
NMF的扩展，通过正则化项或特定损失函数整合异常值检测和处理机制，确保非负且稳定的因子。
Huber方法在分解中的应用
将Huber损失函数应用于分解优化的方法，对小误差采用二次函数，对大误差采用线性函数，在噪声敏感性和异常值鲁棒性之间提供平衡。
L1-PCA分解
基于L1范数最小化的主成分分析方法，相比标准PCA中传统使用的L2范数，对极端点更不敏感。
鲁棒稀疏重叠分解（RPCA）
将数据矩阵分解为低秩矩阵（底层结构）和稀疏矩阵（异常值）之和的技术，从而有效分离信号与噪声。
中位数绝对偏差矩阵分解（MAD）
使用中位数绝对偏差作为离散度测量来加权分解过程中误差的鲁棒方法，减少极端观测对最终模型的影响。
鲁棒交替最小二乘算法
ALS算法的变体，其中损失函数被修改为对异常值更不敏感，通常在交替更新因子时用鲁棒准则替代最小二乘法。
基于分位数的鲁棒因子分解
一种基于残差分位数而非均值来优化因子分解的方法，使估计过程对一定比例的损坏数据不敏感。
鲁棒潜在因子分解
一种建模方法，在提取数据矩阵的潜在变量（因子）的同时减轻噪声或异常观测值的影响，从而更真实地反映数据的内在结构。
带鲁棒权重的矩阵分解
一种技术，根据每个矩阵条目成为异常值的概率为其分配权重，然后在分解过程中使用这些权重来最小化不可靠数据的影响。
因子分解中的RANSAC方法
将随机样本一致性（RANSAC）应用于因子分解，通过从随机数据子集迭代估计模型，仅保留内点（一致数据）来构建最终的鲁棒模型。
L2,1范数因子分解
一种最小化误差矩阵L2,1范数（行L2范数之和）的方法，使其对数据矩阵中按行或按列结构化的异常值特别鲁棒。
截断鲁棒分解（鲁棒截断SVD）
截断SVD的鲁棒版本，在保留前k个最大奇异值之前，应用清理或加权程序以减轻噪声和极端点对保留分量的影响。
带噪声混合模型的矩阵分解
一种先进方法，将噪声显式建模为混合分布（例如，高斯分布用于噪声，更宽分布用于异常值），从而实现更精细的分离和更稳定的因子分解。